scrapy架构及执行流程-scrapy框架2-python

1、概述

官网架构及执行流程图：

官方文档地址:https://docs.scrapy.org/en/latest/topics/architecture.html#components

2、scrapy 组件

• Scrapy Engine(引擎)：负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

• Scheduler(调度器)：它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

• Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理。

• Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)。

• Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方。

• Downloader Middlewares（下载中间件）：一个可以自定义扩展下载功能的组件。

• Spider Middlewares（Spider中间件）：一个可以自定扩展和操作引擎和Spider中间通信的功能组件。

上述内容从百度百科获取，原文地址为1中的官方文档

3、执行流程

流程如图中的红色箭头所示，由执行引擎控制，具体如下：

1. 引擎从Spider获取初始化的Requests对象
2. 引擎把Requests对象调度至Scheduler,并且请求接下来的Requests
3. Scheduler返回Requests到引擎
4. 引擎通过下载中间件（Downloader Middlewares)把Requests发送给下载器（Downloader)
5. 当请求完成后，下载器生成Response对象，通过下载中间件发送给引擎。
6. 引擎接收到Respnse对象后，通过Spider中间件发送给Spider,用于后续处理。
7. Spider处理Response对象，通过Spider中间，返回items和新的请求（如果有）给引擎。
8. 引擎把处理好的items发送给Item Pipelines,处理过的新Requests给Scheduler。
9. 流程不断重复，直到Scheduler中不再有新的Requests。

没啥好说的基本上就是对官网英文文档做下简单的翻译。在整体了解了scrapy的架构及执行流程后，接下来我们通过一个项目做进一步的了解。

源代码仓库地址：https://gitee.com/gaogzhen/python-study

QQ群：433529853